第一篇【傳奇開心果系列】Python的自動化辦公庫技術點案例示例：深度解讀Pandas庫

傳奇開心果博文系列

  • 系列博文目錄
    • Python的自動化辦公庫技術點案例示例系列
  • 博文目錄
    • 前言
    • 一、主要特點和功能介紹
    • 二、Series 示例代碼
    • 三、DataFrame示例代碼
    • 四、數據導入/導出示例代碼
    • 五、數據清洗示例代碼
    • 六、數據選擇和過濾示例代碼
    • 七、數據合并和連接示例代碼
    • 八、數據分組和聚合示例代碼
    • 九、數據轉換示例代碼
    • 十、時間序列數據處理示例代碼
    • 十一、高效處理大型數據集示例代碼
    • 十二、支持向量化操作示例代碼
    • 十三、數據分析和可視化示例代碼
    • 十四、社區支持舉例說明
    • 十五、歸納總結

系列博文目錄

Python的自動化辦公庫技術點案例示例系列

博文目錄

前言

在這里插入圖片描述
在這里插入圖片描述Pandas是一個流行的Python數據處理庫，提供了易于使用的數據結構和數據分析工具，使得在Python中進行數據清洗、數據分析和數據處理變得更加簡單和高效。

一、主要特點和功能介紹

在這里插入圖片描述
在這里插入圖片描述以下是Pandas的一些主要特點和功能：

  1. 數據結構：
    -Series：類似于一維數組，可以存儲不同類型的數據，并帶有標簽（索引）。
    -DataFrame：類似于二維表格，由多個Series組成，每列可以是不同的數據類型。

  2. 數據操作：
    -數據導入/導出：Pandas支持從各種數據源中導入數據，如CSV文件、Excel表格、數據庫等，并可以將處理后的數據導出。
    -數據清洗：處理缺失數據、重復數據、異常值等。
    -數據選擇和過濾：通過標簽或位置選擇數據，進行數據篩選和過濾。
    -數據合并和連接：合并多個數據集，支持不同類型的連接操作。
    -數據分組和聚合：按照指定的條件對數據進行分組，并進行聚合操作，如求和、平均值等。
    -數據轉換：對數據進行排序、重塑、透視等操作。
    -時間序列數據處理：提供了強大的時間序列數據處理功能。

  3. 性能優勢：
    -Pandas基于NumPy構建，能夠高效處理大型數據集。
    -支持向量化操作，避免了使用顯式循環，提高了數據處理的效率。

  4. 靈活性：
    -可以與其他Python庫（如NumPy、Matplotlib等）結合使用，實現更復雜的數據分析和可視化任務。

  5. 社區支持：
    -Pandas擁有龐大的社區支持和活躍的開發者社區，提供了豐富的文檔、教程和示例，便于學習和使用。

總的來說，Pandas是一個功能強大且靈活的數據處理工具，適用于各種數據分析和數據處理任務。如果你需要進行數據清洗、數據分析或數據處理，Pandas通常是一個很好的選擇。

二、Series 示例代碼

在這里插入圖片描述
在這里插入圖片描述當創建一個Pandas Series 對象時，你可以傳入一個包含數據的列表或數組，并可以選擇性地指定索引。以下是一個簡單的示例代碼，演示如何創建一個包含不同類型數據并具有標簽索引的 Pandas Series：

import pandas as pd# 創建一個包含不同類型數據的 Pandas Series
data = [10, 'Hello', 3.5, True]
index = ['A', 'B', 'C', 'D']# 使用數據列表和索引列表創建 Series 對象
series = pd.Series(data, index=index)# 打印 Series 對象
print(series)

在這個示例中，我們創建了一個包含整數、字符串、浮點數和布爾值的 Pandas Series，每個值都有一個對應的標簽索引。運行這段代碼后，你將看到類似以下輸出：

A       10
B    Hello
C      3.5
D     True
dtype: object

這個 Series 包含了不同類型的數據，并且每個數據都與一個索引標簽相關聯。這使得在 Pandas 中處理數據時更加靈活和方便。

三、DataFrame示例代碼

在這里插入圖片描述
在這里插入圖片描述當創建一個 Pandas DataFrame 時，你可以傳入一個字典，其中鍵是列名，值是列數據（可以是列表、數組或 Series）。以下是一個簡單的示例代碼，演示如何創建一個包含不同數據類型的 Pandas DataFrame，每列可以是不同的數據類型：

import pandas as pd# 創建一個包含不同數據類型的 Pandas DataFrame
data = {'A': [1, 2, 3, 4],'B': ['apple', 'banana', 'cherry', 'date'],'C': [2.5, 3.7, 1.2, 4.9],'D': [True, False, True, False]
}# 使用字典創建 DataFrame 對象
df = pd.DataFrame(data)# 打印 DataFrame 對象
print(df)

在這個示例中，我們創建了一個包含整數、字符串、浮點數和布爾值的 Pandas DataFrame。每列的數據類型可以是不同的，這是 Pandas DataFrame 的一個重要特性。運行這段代碼后，你將看到類似以下輸出：

   A       B    C      D
0  1   apple  2.5   True
1  2  banana  3.7  False
2  3  cherry  1.2   True
3  4    date  4.9  False

這個 DataFrame 包含了四列數據，每列可以是不同的數據類型，類似于一個二維表格。Pandas DataFrame 提供了強大的數據操作功能，使得數據分析和處理變得更加簡單和高效。

四、數據導入/導出示例代碼

在這里插入圖片描述
在這里插入圖片描述Pandas 提供了豐富的功能來導入和導出數據，包括從 CSV 文件、Excel 表格、數據庫等數據源中導入數據，并將處理后的數據導出到各種格式。以下是一些示例代碼，演示如何使用 Pandas 進行數據導入和導出：

  1. 從 CSV 文件導入數據并將處理后的數據導出到 CSV 文件：
import pandas as pd# 從 CSV 文件導入數據
df = pd.read_csv('data.csv')# 處理數據...# 將處理后的數據導出到 CSV 文件
df.to_csv('processed_data.csv', index=False)
  1. 從 Excel 表格導入數據并將處理后的數據導出到 Excel 文件：
import pandas as pd# 從 Excel 表格導入數據
df = pd.read_excel('data.xlsx')# 處理數據...# 將處理后的數據導出到 Excel 文件
df.to_excel('processed_data.xlsx', index=False)
  1. 從數據庫導入數據并將處理后的數據導出到數據庫表：
import pandas as pd
import sqlite3# 連接到 SQLite 數據庫
conn = sqlite3.connect('database.db')# 從數據庫表導入數據
query = "SELECT * FROM table"
df = pd.read_sql_query(query, conn)# 處理數據...# 將處理后的數據導出到數據庫表
df.to_sql('processed_table', conn, index=False, if_exists='replace')

通過這些示例代碼，你可以了解如何使用 Pandas 從不同數據源中導入數據，并在處理后將數據導出到所需的格式中。Pandas 提供了簡單而強大的方法來處理各種數據導入和導出任務，使得數據分析工作更加高效和便捷。

五、數據清洗示例代碼

在這里插入圖片描述
在這里插入圖片描述在數據分析中，數據清洗是一個非常重要的步驟，它包括處理缺失數據、重復數據、異常值等問題。Pandas 提供了豐富的功能來進行數據清洗。以下是一些示例代碼，演示如何使用 Pandas 進行數據清洗：

  1. 處理缺失數據：
import pandas as pd# 創建包含缺失數據的示例 DataFrame
data = {'A': [1, 2, None, 4],'B': ['apple', 'banana', 'cherry', None],'C': [2.5, None, 1.2, 4.9]
}df = pd.DataFrame(data)# 檢查缺失數據
print(df.isnull())# 填充缺失數據
df.fillna(0, inplace=True)
  1. 處理重復數據：
import pandas as pd# 創建包含重復數據的示例 DataFrame
data = {'A': [1, 2, 2, 4],'B': ['apple', 'banana', 'banana', 'date']
}df = pd.DataFrame(data)# 檢查重復數據
print(df.duplicated())# 刪除重復數據
df.drop_duplicates(inplace=True)
  1. 處理異常值：
import pandas as pd# 創建包含異常值的示例 DataFrame
data = {'A': [1, 2, 3, 100],'B': ['apple', 'banana', 'cherry', 'date']
}df = pd.DataFrame(data)# 檢查異常值
print(df[df['A'] > 10])# 替換異常值
df.loc[df['A'] > 10, 'A'] = 10

通過這些示例代碼，你可以了解如何使用 Pandas 處理缺失數據、重復數據和異常值。數據清洗是數據分析過程中的關鍵步驟，有效的數據清洗可以提高數據分析的準確性和可靠性。

六、數據選擇和過濾示例代碼

在這里插入圖片描述

在這里插入圖片描述在 Pandas 中，你可以通過標簽或位置選擇數據，進行數據篩選和過濾。以下是一些示例代碼，演示如何使用 Pandas 進行數據選擇和過濾：

  1. 通過標簽選擇數據：
import pandas as pd# 創建示例 DataFrame
data = {'A': [1, 2, 3, 4, 5],'B': ['apple', 'banana', 'cherry', 'date', 'elderberry']
}df = pd.DataFrame(data, index=['X', 'Y', 'Z', 'W', 'V'])# 通過標簽選擇單列數據
column_data = df['A']# 通過標簽選擇多列數據
multiple_columns_data = df[['A', 'B']]# 通過標簽選擇單行數據
row_data = df.loc['Z']# 通過標簽選擇多行數據
multiple_rows_data = df.loc[['X', 'Y']]
  1. 通過位置選擇數據：
import pandas as pd# 創建示例 DataFrame
data = {'A': [1, 2, 3, 4, 5],'B': ['apple', 'banana', 'cherry', 'date', 'elderberry']
}df = pd.DataFrame(data)# 通過位置選擇單列數據
column_data = df.iloc[:, 0]# 通過位置選擇多列數據
multiple_columns_data = df.iloc[:, [0, 1]]# 通過位置選擇單行數據
row_data = df.iloc[2]# 通過位置選擇多行數據
multiple_rows_data = df.iloc[[0, 1]]

通過這些示例代碼，你可以了解如何使用 Pandas 通過標簽或位置選擇數據，進行數據篩選和過濾。Pandas 提供了靈活的方法來選擇和操作數據，使得數據分析工作更加高效和便捷。

七、數據合并和連接示例代碼

在這里插入圖片描述
在這里插入圖片描述在 Pandas 中，你可以使用不同類型的連接操作來合并多個數據集。以下是一些示例代碼，演示如何使用 Pandas 進行數據合并和連接：

  1. 使用 pd.concat() 進行數據合并：
import pandas as pd# 創建示例 DataFrame
data1 = {'A': [1, 2, 3],'B': ['apple', 'banana', 'cherry']
}data2 = {'A': [4, 5, 6],'B': ['date', 'elderberry', 'fig']
}df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)# 沿行方向合并兩個 DataFrame
result = pd.concat([df1, df2])
  1. 使用 pd.merge() 進行數據連接：
import pandas as pd# 創建示例 DataFrame
data1 = {'key': ['K0', 'K1', 'K2'],'A': [1, 2, 3]
}data2 = {'key': ['K0', 'K1', 'K3'],'B': ['apple', 'banana', 'cherry']
}df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)# 內連接
result_inner = pd.merge(df1, df2, on='key', how='inner')# 左連接
result_left = pd.merge(df1, df2, on='key', how='left')# 右連接
result_right = pd.merge(df1, df2, on='key', how='right')# 外連接
result_outer = pd.merge(df1, df2, on='key', how='outer')

通過這些示例代碼，你可以了解如何使用 Pandas 進行數據合并和連接。Pandas 提供了豐富的功能來支持不同類型的連接操作，使得合并多個數據集變得簡單和靈活。

八、數據分組和聚合示例代碼

在這里插入圖片描述
在這里插入圖片描述在 Pandas 中，你可以使用數據分組和聚合功能來按照指定的條件對數據進行分組，并進行聚合操作，如求和、平均值等。以下是一些示例代碼，演示如何使用 Pandas 進行數據分組和聚合：

import pandas as pd# 創建示例 DataFrame
data = {'Category': ['A', 'B', 'A', 'B', 'A', 'B'],'Value': [10, 20, 30, 40, 50, 60]
}df = pd.DataFrame(data)# 按照 'Category' 列進行分組，并計算每組的平均值
grouped = df.groupby('Category').mean()# 按照多列進行分組，并計算每組的總和
grouped_multiple = df.groupby(['Category']).sum()# 對多列進行分組，并同時計算多個聚合函數
grouped_multiple_functions = df.groupby('Category').agg({'Value': ['sum', 'mean']})# 對每個分組應用自定義的聚合函數
def custom_aggregation(x):return x.max() - x.min()custom_aggregated = df.groupby('Category').agg({'Value': custom_aggregation})# 對每個分組應用多個自定義的聚合函數
custom_aggregated_multiple = df.groupby('Category').agg({'Value': [custom_aggregation, 'mean']})

通過這些示例代碼，你可以了解如何使用 Pandas 進行數據分組和聚合操作。Pandas 提供了強大的功能來輕松地對數據進行分組和應用各種聚合函數，幫助你更好地理解數據并進行數據分析。

九、數據轉換示例代碼

在這里插入圖片描述
在這里插入圖片描述在 Pandas 中，你可以對數據進行各種轉換操作，包括排序、重塑、透視等。以下是一些示例代碼，演示如何使用 Pandas 進行數據轉換：

  1. 數據排序：
import pandas as pd# 創建示例 DataFrame
data = {'A': [3, 2, 1, 4],'B': ['apple', 'banana', 'cherry', 'date']
}df = pd.DataFrame(data)# 按照 'A' 列進行升序排序
sorted_df = df.sort_values(by='A')
  1. 數據重塑（Pivot）：
import pandas as pd# 創建示例 DataFrame
data = {'A': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'],'B': ['one', 'one', 'two', 'two', 'one', 'one'],'C': [1, 2, 3, 4, 5, 6]
}df = pd.DataFrame(data)# Pivot 操作
pivot_df = df.pivot(index='A', columns='B', values='C')
  1. 數據透視：
import pandas as pd# 創建示例 DataFrame
data = {'A': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'],'B': ['one', 'one', 'two', 'two', 'one', 'one'],'C': [1, 2, 3, 4, 5, 6]
}df = pd.DataFrame(data)# 數據透視表
pivot_table = df.pivot_table(index='A', columns='B', values='C', aggfunc='sum')

通過這些示例代碼，你可以了解如何使用 Pandas 進行數據轉換操作，包括排序、重塑和透視等。Pandas 提供了豐富的功能來幫助你對數據進行靈活的轉換和分析。

十、時間序列數據處理示例代碼

在這里插入圖片描述
在這里插入圖片描述Pandas 提供了強大的時間序列數據處理功能，可以幫助你輕松處理時間序列數據。以下是一些示例代碼，演示如何使用 Pandas 處理時間序列數據：

  1. 創建時間序列數據：
import pandas as pd
import numpy as np# 創建一個時間范圍為一周的時間序列數據
dates = pd.date_range('2024-02-26', periods=7)# 創建一個 DataFrame，使用時間序列作為索引
df = pd.DataFrame(np.random.randn(7, 3), index=dates, columns=['A', 'B', 'C'])
  1. 時間序列重采樣：
# 將時間序列數據按照每月重新采樣，并計算每月的平均值
monthly_resampled = df.resample('M').mean()
  1. 移動窗口統計：
# 計算時間序列數據的滾動平均值
rolling_mean = df['A'].rolling(window=3).mean()
  1. 時間序列數據的時區轉換：
# 創建一個帶有時區信息的時間戳
ts = pd.Timestamp('2024-02-26 08:00', tz='Europe/London')# 將時區轉換為美國紐約時區
ts_ny = ts.tz_convert('America/New_York')

通過這些示例代碼，你可以了解如何使用 Pandas 處理時間序列數據，包括創建時間序列數據、重采樣、移動窗口統計以及時區轉換等操作。Pandas 提供了豐富的功能來支持時間序列數據的處理和分析，讓你能夠更輕松地處理時間相關的數據。

十一、高效處理大型數據集示例代碼

在這里插入圖片描述

在這里插入圖片描述Pandas 基于 NumPy 構建，能夠高效處理大型數據集。以下是一些示例代碼，演示如何使用 Pandas 處理大型數據集：

  1. 創建一個大型數據集：
import pandas as pd
import numpy as np# 創建一個包含100萬行和3列的隨機數據集
n = 1000000
data = {'A': np.random.rand(n),'B': np.random.rand(n),'C': np.random.rand(n)
}df = pd.DataFrame(data)
  1. 對大型數據集進行聚合操作：
# 計算每列的平均值
mean_values = df.mean()
  1. 對大型數據集進行篩選操作：
# 篩選出滿足條件的行
filtered_data = df[df['A'] > 0.5]
  1. 對大型數據集進行分組和匯總操作：
# 按照 'B' 列進行分組，并計算每組的平均值
grouped_data = df.groupby('B').mean()

通過這些示例代碼，你可以看到 Pandas 在處理大型數據集時的高效性。Pandas 提供了優化的數據結構和操作，使得處理大型數據集變得更加簡單和高效。無論是數據聚合、篩選、分組還是其他操作，Pandas 都能夠快速地處理大規模的數據，為數據分析和處理提供了強大的工具支持。

十二、支持向量化操作示例代碼

在這里插入圖片描述
在這里插入圖片描述Pandas 支持向量化操作，這意味著你可以避免使用顯式循環，而是直接對整個數據集執行操作，從而提高數據處理的效率。以下是一些示例代碼，演示如何使用 Pandas 進行向量化操作：

  1. 向量化算術操作：
import pandas as pd
import numpy as np# 創建一個包含隨機數據的 DataFrame
df = pd.DataFrame(np.random.randint(0, 10, size=(5, 3)), columns=['A', 'B', 'C'])# 對整個 DataFrame 執行向量化算術操作
result = df['A'] + df['B'] * df['C']
  1. 向量化函數應用：
# 使用 apply 函數對整列數據應用自定義函數
df['D'] = df['A'].apply(lambda x: x**2)
  1. 向量化條件操作：
# 根據條件對 DataFrame 進行填充
df['E'] = np.where(df['C'] > 5, 'High', 'Low')

通過這些示例代碼，你可以看到 Pandas 如何支持向量化操作，從而避免顯式循環，提高數據處理的效率。向量化操作利用了底層的 NumPy 數組實現，能夠高效地處理大型數據集，使得數據處理變得更加簡潔和快速。在實際數據處理過程中，推薦盡可能使用向量化操作，以提高代碼的執行效率。

十三、數據分析和可視化示例代碼

在這里插入圖片描述
在這里插入圖片描述當與其他 Python 庫（如 NumPy、Matplotlib 等）結合使用時，Pandas 可以實現更復雜的數據分析和可視化任務。以下是一些示例代碼，展示了 Pandas 與 NumPy 和 Matplotlib 結合使用的情況：

  1. 結合 NumPy 進行數據處理：
import pandas as pd
import numpy as np# 創建一個包含隨機數據的 DataFrame
df = pd.DataFrame(np.random.randint(0, 10, size=(5, 3)), columns=['A', 'B', 'C'])# 使用 NumPy 函數對 DataFrame 進行操作
df['D'] = np.sqrt(df['A']**2 + df['B']**2)
  1. 結合 Matplotlib 進行數據可視化：
import matplotlib.pyplot as plt# 創建一個包含隨機數據的 DataFrame
df = pd.DataFrame(np.random.rand(50, 2), columns=['X', 'Y'])# 繪制散點圖
plt.scatter(df['X'], df['Y'])
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Scatter Plot')
plt.show()
  1. 結合 NumPy 和 Matplotlib 進行數據分析和可視化：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt# 創建一個包含隨機數據的 DataFrame
df = pd.DataFrame(np.random.randn(100, 2), columns=['A', 'B'])# 計算移動平均值
df['MA'] = df['A'].rolling(window=10).mean()# 繪制折線圖
plt.plot(df['A'], label='A')
plt.plot(df['MA'], label='Moving Average')
plt.legend()
plt.xlabel('Index')
plt.ylabel('Value')
plt.title('Moving Average Plot')
plt.show()

通過這些示例代碼，你可以看到 Pandas 如何與 NumPy 和 Matplotlib 結合使用，實現更復雜的數據處理和可視化任務。這種結合可以讓你充分利用各個庫的優勢，完成更多樣化和復雜度更高的數據分析工作。無論是數據處理、分析還是可視化，這種結合都能為你提供強大的工具支持。

十四、社區支持舉例說明

在這里插入圖片描述Pandas擁有龐大的社區支持和活躍的開發者社區，提供了豐富的文檔、教程和示例，讓用戶更容易學習和使用。以下是一些示例代碼，展示了如何利用Pandas的文檔、教程和示例資源：

  1. 查看Pandas官方文檔：
import webbrowser# 打開Pandas官方文檔網站
webbrowser.open('https://pandas.pydata.org/docs/')
  1. 查看Pandas官方教程：
import webbrowser# 打開Pandas官方教程網站
webbrowser.open('https://pandas.pydata.org/docs/getting_started/index.html')
  1. 查看Pandas官方示例庫：
import webbrowser# 打開Pandas官方示例庫網站
webbrowser.open('https://pandas.pydata.org/docs/getting_started/index.html#tutorials')

通過這些示例代碼，你可以方便地訪問Pandas的官方文檔、教程和示例資源，這些資源對于學習和使用Pandas都非常有幫助。官方文檔提供了詳細的API參考和用例說明，官方教程則提供了入門指導和實用技巧，而官方示例庫則包含了豐富的示例代碼，幫助你更好地理解和應用Pandas庫。利用這些資源，你可以更高效地學習和使用Pandas，從而更好地處理和分析數據。

十五、歸納總結

在這里插入圖片描述Pandas 是一個強大的數據處理庫，主要用于數據清洗、數據轉換和數據分析。以下是一些關鍵的 Pandas 知識點的歸納總結：

  1. 數據結構：
    -Series：一維數據結構，類似于數組或列表。
    -DataFrame：二維數據結構，類似于表格，由多個 Series 組成。

  2. 數據導入與導出：
    -從 CSV、Excel、SQL 數據庫等不同數據源導入數據。
    -將處理后的數據導出為 CSV、Excel 等格式。

  3. 數據查看與處理：
    -查看數據：head()、tail()、info()、describe() 等方法。
    -選擇數據：使用 loc、iloc、[] 運算符。
    -缺失值處理：dropna()、fillna()。
    -重復值處理：drop_duplicates()。

  4. 數據篩選與排序：
    -條件篩選：使用布爾索引、query() 方法。
    -排序：sort_values()、sort_index()。

  5. 數據分組與聚合：
    -groupby()：按照指定條件對數據進行分組。
    -聚合函數：sum()、mean()、count() 等。
    -多重索引：實現多層次的分組和聚合。

  6. 數據合并與連接：
    -concat()：沿著指定軸合并多個 DataFrame。
    -merge()：根據一個或多個鍵將不同 DataFrame 連接起來。

  7. 數據透視表與重塑：
    -pivot_table()：創建數據透視表。
    -stack()、unstack()：數據重塑操作。

  8. 時間序列數據處理：
    -時間索引：將時間列設置為索引。
    -日期范圍：生成日期范圍序列。
    -時序數據分析：時間重采樣、移動窗口統計等操作。

  9. 大數據集處理：
    -分塊處理：使用 chunksize 處理大型數據集。
    -內存優化：選擇合適的數據類型、減少內存占用。

  10. 數據可視化：
    -與 Matplotlib、Seaborn 等庫結合進行數據可視化。
    -繪制折線圖、柱狀圖、散點圖等圖表。

在這里插入圖片描述

以上是 Pandas 中一些常用的知識點，掌握這些知識可以幫助你更好地處理和分析數據。通過實踐和不斷學習，你可以更深入地了解 Pandas，并利用其強大功能解決實際數據處理問題。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/716153.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/716153.shtml
英文地址，請注明出處：http://en.pswp.cn/news/716153.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

Linux系統管理：虛擬機 Kali Linux 安裝

Linux系統管理：虛擬機 Kali Linux 安裝

目錄 一、理論 1.Kali Linux 二、實驗 1.虛擬機Kali Linux安裝準備階段 2.安裝Kali Linux 2. Kali Linux 更換國內源 3. Kali Linux 設置固定IP 4. Kali Linux 開啟SSH遠程連接 5. MobaXterm遠程連接 Kali Linux 三、問題 1.apt 命令 取代哪些 apt-get命令 一、理論…
閱讀更多...
《OpenScene: 3D Scene Understanding with Open Vocabularies》閱讀筆記1

《OpenScene: 3D Scene Understanding with Open Vocabularies》閱讀筆記1

傳統的3D場景理解方法依賴于帶標簽的3D數據集，用于訓練一個模型以進行單一任務的監督學習。我們提出了OpenScene，一種替代方法，其中模型在CLIP特征空間中預測與文本和圖像像素共同嵌入的3D場景點的密集特征。這種零樣本方法實現了與任務無關的訓練和開放詞匯查詢。例如，為了…
閱讀更多...
Phoncent博客：探索AI寫作與編程的無限可能

Phoncent博客：探索AI寫作與編程的無限可能

Phoncent博客，一個名為Phoncent的創新AIGC博客網站，于2023年誕生。它的創始人是莊澤峰，一個自媒體人和個人站長，他在網絡營銷推廣領域有著豐富的經驗。莊澤峰深知人工智能技術在內容創作和編程領域的潛力和創造力，因此…
閱讀更多...
有趣的CSS - 閃爍的鴻星爾克文字招牌效果

有趣的CSS - 閃爍的鴻星爾克文字招牌效果

大家好，我是 Just，這里是「設計師工作日常」，今天分享的是利用 animation 動畫實現一個閃爍的霓虹燈文字效果。 《有趣的css》系列最新實例通過公眾號「設計師工作日常」發布。 目錄 整體效果核心代碼html 代碼css 部分代碼 完整代碼如下html…
閱讀更多...
第十一屆藍橋杯省賽第二場C++ B組 / C組《成績統計》（c++）

第十一屆藍橋杯省賽第二場C++ B組 / C組《成績統計》（c++）

1.題目說明 小藍給學生們組織了一場考試，卷面總分為100 分，每個學生的得分都是一個 0 到 100 的整數。 如果得分至少是 60 分，則稱為及格。 如果得分至少為 85 分，則稱為優秀。 請計算及格率和優秀率，用百分數表示…
閱讀更多...
使用Spark探索數據

使用Spark探索數據

需求分析 使用Spark來探索數據是一種高效處理大規模數據的方法，需要對數據進行加載、清洗和轉換，選擇合適的Spark組件進行數據處理和分析。需求分析包括確定數據分析的目的和問題、選擇合適的Spark應用程序和算法、優化數據處理流程和性能、可視化和解釋…
閱讀更多...
【嵌入式實踐】【芝麻】【設計篇-3】從0到1給電動車添加指紋鎖：項目整體規劃

【嵌入式實踐】【芝麻】【設計篇-3】從0到1給電動車添加指紋鎖：項目整體規劃

0. 前言 該項目是基于stm32F103和指紋模塊做了一個通過指紋鎖控制電動車的小工具。支持添加指紋、刪除指紋，電動車進入P檔等待時計時，計時超過5min則自動鎖車，計時過程中按剎車可中斷P檔狀態，同時中斷鎖車計時。改項目我稱之為“芝…
閱讀更多...
Pycharm下如何生成exe軟件

Pycharm下如何生成exe軟件

第一步 下載pyinstaller pip install pyinstaller 對pyinstaller第二步 使用pyinstaller cmd切換到項目目錄執行命令:pyinstaller --add-data “./templates;templates” 入口文件名.py
閱讀更多...
【語音識別】- 幾個主流模型

【語音識別】- 幾個主流模型

文章目錄 1. Wav2Vec 2.02. Whisper2. WeNet1. Wav2Vec 2.0 由Facebook AI Research（FAIR）于2020年提出的在語音方向里具有一定影響力的預訓練模型。 論文地址：https://arxiv.org/pdf/2006.11477.pdf 項目地址：https://github.com/pytorch/fairseq 訓練數據：62萬小時未…
閱讀更多...
基于Mahout實現K-Means聚類

基于Mahout實現K-Means聚類

需求分析 需要對數據集進行預處理，選擇合適的特征進行聚類分析，確定聚類的數量和初始中心點，調用Mahout提供的K-Means算法進行聚類計算，評估聚類結果的準確性和穩定性。同時，需要對Mahout的使用和參數調優進行深入學習…
閱讀更多...
頂會ICLR2024論文Time-LLM：基于大語言模型的時間序列預測

頂會ICLR2024論文Time-LLM：基于大語言模型的時間序列預測

文青松 松鼠AI首席科學家、AI研究院負責人 美國佐治亞理工學院(Georgia Tech)電子與計算機工程博士，人工智能、決策智能和信號處理方向專家，在松鼠AI、阿里、Marvell等公司超10年的技術和管理經驗，近100篇文章發表在人工智能相關的頂會與頂刊…
閱讀更多...
Cloud整合Zookeeper代替Eureka

Cloud整合Zookeeper代替Eureka

微服務間通信重構與服務治理筆記-CSDN博客 Zookeeper是一個分布式協調工具,可以實現注冊中心功能 安裝Zookeeper 隨便 就用最新版本吧 進入Zookeeper 包目錄 cd /usr/local/develop/ 解壓 tar -zxvf apache-zookeeper-3.9.1-bin.tar.gz -C /usr/local/develop 進入配置文件…
閱讀更多...
uniapp 獲取頁面來源

uniapp 獲取頁面來源

獲取當前頁面棧的實例，以數組形式按棧的順序給出，數組中的元素為頁面實例，第一個元素為首頁，最后一個元素為當前頁面。 let pages getCurrentPages(); if (pages.length > 1) { // 若頁面棧長度大于1則表示不止一個頁面被打開…
閱讀更多...
在 JavaScript 中用 var, let, 以及 const 有什么差別？什么時候該用哪個？

在 JavaScript 中用 var, let, 以及 const 有什么差別？什么時候該用哪個？

「在 JavaScript 中用 var, let, 以及 const 有什么差別？」是在前端、JavaScript 面試中常見的考題。在面試時可以先大方向地列點說出異同之處，然后再針對每一個點進行深入說明。以下是以第一人稱撰寫的參考擬答。 var, let, 以及 const 都是在 JavaScript 用來做變數宣告的…
閱讀更多...
前端導入導出

前端導入導出

1、將后端excel二進制文件導出excel下載 import { read, utils, writeFileXLSX } from "xlsx";const useExportExcel (excelData: string, fileName: string) > {const wb read(excelData);const ws wb.Sheets[wb.SheetNames[0]];// 從工作表生成數據行const …
閱讀更多...
Android 將圖片網址url轉化為bitmap

Android 將圖片網址url轉化為bitmap

1. 圖片網址url轉化為bitmap 1.1. 方法一 通過 HttpURLConnection 請求 要使用一個線程去訪問，因為是網絡請求，這是一個一步請求，不能直接返回獲取，要不然永遠為null，在這里得到BitMap之后記得使用Hanlder或者EventBu…
閱讀更多...
React之useState hook

React之useState hook

實現useState js實現一個useState，簡單的原理就是賦值然后更新渲染，大概偽代碼如下： function useState(initValue) {let value initValue;function setValue(v) {if (typeof v "function") {value v(initValue);} else {value…
閱讀更多...
StarRocks實戰——首汽約車實時數倉實踐

StarRocks實戰——首汽約車實時數倉實踐

目錄 前言 一、引入背景 二、OLAP引擎選型 三、架構演進 四、實時數倉構建 五、業務實踐價值未來規劃 原文大佬的這篇首汽約車實時數倉實踐有借鑒意義，這里摘抄下來用作學習和知識沉淀。 前言 首汽約車（以下簡稱“首約”）是首汽集團打造…
閱讀更多...
物體檢測-系列教程20：YOLOV5 源碼解析10 （Model類前向傳播、forward_once函數、_initialize_biases函數）

物體檢測-系列教程20：YOLOV5 源碼解析10 （Model類前向傳播、forward_once函數、_initialize_biases函數）

😎😎😎物體檢測-系列教程 總目錄 有任何問題歡迎在下面留言 本篇文章的代碼運行界面均在Pycharm中進行 本篇文章配套的代碼資源已經上傳 點我下載源碼 14、Model類 14.2 前向傳播 def forward(self, x, augmentFalse, profileFalse):if augm…
閱讀更多...
MySQL 8.0 架構 之錯誤日志文件（Error Log）（2）

MySQL 8.0 架構 之錯誤日志文件（Error Log）（2）

文章目錄 MySQL 8.0 架構 之錯誤日志文件（Error Log）（2）MySQL錯誤日志文件（Error Log）錯誤日志相關參數log_errorlog_error_services過濾器（Filter Error Log Components）寫入/接收器…
閱讀更多...
最新文章

Copyright @ 2022~2023